Desenvolvedor monta RAG local com Qdrant e LlamaIndex para consultar leis de compras públicas

Um desenvolvedor que publica no Habr sob o nome Vladimir descreveu como montou um sistema RAG local com LlamaIndex e o banco de dados vetorial Qdrant. A ideia era parar de vasculhar manualmente o Regulamento de Compras da empresa e as leis específicas FZ-44 e FZ-223.

Por que foi preciso um RAG local

Segundo o autor, a demanda surgiu de uma necessidade prática. Procurar manualmente formulações e condições em documentos normativos extensos sobre compras é demorado e pouco prático. Entre esses documentos estão o Regulamento de Compras da empresa e as leis federais FZ-44 (sobre o sistema de contratação em compras governamentais) e FZ-223 (sobre compras realizadas por determinados tipos de pessoas jurídicas). Um sistema RAG (retrieval-augmented generation, ou geração de respostas apoiada em trechos encontrados nos documentos) permite fazer perguntas em linguagem natural. A resposta é construída a partir do texto real dos documentos normativos, e não de suposições do modelo.

O requisito principal era que o sistema funcionasse inteiramente em ambiente local, sem acessar APIs externas em nuvem. Esse ponto é essencial quando se lida com documentação de compras, que muitas vezes inclui condições comerciais internas.

Como o sistema foi montado

• LlamaIndex: framework para indexar documentos e fazer consultas sobre eles, usado pelo autor pela primeira vez
• Qdrant: banco de dados vetorial de código aberto para armazenar os embeddings dos documentos
• API própria sobre a combinação de LlamaIndex e Qdrant
• Interface web em Gradio para facilitar a interação com o sistema
• Fontes de dados: o Regulamento de Compras da empresa, a FZ-44 e a FZ-223

O autor detalha o processo de montagem, da indexação dos documentos ao desenvolvimento da API e da interface. Na prática, ele oferece aos leitores do Habr um modelo pronto para tarefas semelhantes envolvendo bases jurídicas e normativas locais.

Por que essa combinação

O Qdrant se destaca entre os bancos vetoriais por ser distribuído como código aberto e por poder ser implantado de forma totalmente local, sem vínculo obrigatório com um serviço em nuvem. Isso torna a combinação com o LlamaIndex uma escolha conveniente justamente para cenários em que os dados não devem sair da infraestrutura da empresa: documentos jurídicos e de compras, regulamentos internos, condições comerciais com contrapartes. Nessa arquitetura, o LlamaIndex cuida da divisão dos documentos em trechos, da construção do índice e da montagem das consultas ao modelo de linguagem com base nos trechos encontrados. Já o Gradio oferece a compradores e advogados uma interface web simples, que dispensa lidar diretamente com código ou terminal.

Os próximos passos do projeto

O autor apresenta o artigo como a análise de um caso concreto e reproduzível, e não como um produto comercial acabado. Ele mostra em detalhes as etapas de montagem para que os leitores do Habr possam replicar a solução com seus próprios documentos internos, sejam outros atos normativos, regulamentos ou uma base de contratos. Esse formato é típico da comunidade de engenharia do Habr, em que o valor do material está menos em um serviço pronto e mais no caminho mostrado de forma transparente, da definição do problema até um protótipo funcional.

O que isso significa

O caso é um exemplo prático de como o RAG baseado em ferramentas abertas, como LlamaIndex e Qdrant, sai do nível de demos de pesquisa e chega a uma tarefa corporativa rotineira: consultar regulamentos internos e a legislação específica sem enviar dados sensíveis a serviços externos em nuvem. Para empresas que atuam com compras públicas sob a FZ-44 e a FZ-223, em que um erro na interpretação de uma norma sai caro, um assistente RAG local é uma forma de acelerar o trabalho de advogados e compradores, mantendo a decisão final nas mãos de uma pessoa.